GPT 6 Luna дешевле, чем DeepSeek V4.1 Flash, и никто этого не заметил?

GPT-6 Luna дешевле, чем DeepSeek, но в сравнении цен есть один нюанс

Ранее DeepSeek считался лидером по цене, а теперь OpenAI предлагает более низкие цены на многие запросы

DeepSeek долгое время считался эталоном доступного ИИ. Но с появлением GPT-6 Luna компания OpenAI неожиданно изменила ценовую политику: в рамках стандартных тарифных планов API Luna обходится дешевле за входной токен и за ответ, чем DeepSeek V4.1 Flash – даже в самый выгодный для китайского провайдера период. Таким образом, для многих типичных задач OpenAI может предложить более низкую цену. Однако это не означает, что Luna всегда является более экономичным выбором. DeepSeek выигрывает за счет особенно низкой стоимости попаданий в кэш, высокой скорости и открытых весов модели, которые также могут управляться самостоятельно. Поэтому, какая модель в конечном итоге окажется дешевле, зависит не только от цены за токен, но и от длины контекстов, доли повторно используемых входных данных, времени суток, желаемой производительности и операционной модели. Детальное сравнение показывает, где GPT-6 Luna на самом деле дешевле, а в каких случаях DeepSeek может быть лучшим выбором.

Лидер в области искусственного интеллекта неожиданно оказался из США

Ценовое преимущество Китая исчезло – по крайней мере, в части начисления налогов

GPT-6 Luna стоит дешевле, чем DeepSeek V4.1 Flash со стандартным программным интерфейсом. На первый взгляд, это может показаться ошибкой в ​​расчетах, поскольку противоречит сложившемуся за последние месяцы представлению о рынке ИИ: лучшие западные модели считаются мощными, но дорогими, в то время как китайские провайдеры выигрывают за счет агрессивной ценовой политики, открытых весов моделей и высокой эффективности. Однако это представление изменилось для двух наиболее интересных моделей эффективности, доступных в настоящее время. OpenAI взимает 0,10 доллара за миллион некэшированных входных токенов с GPT-6 Luna и 0,50 доллара за миллион выходных токенов. DeepSeek взимает 0,15 доллара за вход и 0,60 доллара за выход с V4.1 Flash вне часов пик. В определенные часы пик тарифы DeepSeek даже повышаются до 0,30 и 1,20 доллара соответственно.

Это означает, что обычная цена GPT-6 Luna за новые входные токены на треть ниже, чем самый дешевый прямой тариф DeepSeek. Для выходных токенов разница составляет около 16,7 процента. По сравнению с тарифом высшего уровня DeepSeek, Luna примерно на 66,7 процента дешевле для входных токенов и примерно на 58,3 процента дешевле для выходных. Это не просто незначительная разница в округлении, а явный разворот цен. Он затрагивает именно два элемента, которые составляют наибольшую долю расходов для многих производительных приложений: вновь обработанный контекст и сгенерированный контент.

Провокационное утверждение о том, что Luna дешевле, и это почти никто не заметил, содержит в себе долю правды. Однако оно требует важного уточнения. Более низкая прейскурантная цена не делает Luna автоматически более экономичной моделью в каждом приложении. DeepSeek имеет значительное преимущество при чтении кэшированных входных данных, может размещаться на собственном сервере и иногда демонстрирует более высокую производительность и значительно меньшую задержку в ресурсоемких задачах. Таким образом, экономически точное утверждение звучит так: GPT-6 Luna дешевле DeepSeek V4.1 Flash по наиболее важным стандартным API-функциям, но фактическое лидерство по стоимости зависит от длины контекста, размера кэша, времени суток, длины выходных данных, целевого качества и модели работы.

Трезвый взгляд на прайс-лист

Стандартные тарифы изначально создают необычайно четкие условия. GPT-6 Luna стоит 0,10 доллара за миллион токенов для обычного ввода, 0,01 доллара для уже кэшированного ввода и 0,50 доллара для вывода. Запись в кэш оплачивается по тарифу 0,125 доллара за миллион токенов. DeepSeek V4.1 Flash, с другой стороны, различает пиковые и непиковые часы. Вне пиковых часов он взимает 0,15 доллара за новый ввод, 0,003 доллара за попадание в кэш и 0,60 доллара за вывод. В пиковые часы эти значения удваиваются до 0,30, 0,006 и 1,20 доллара соответственно.

Пиковые часы использования DeepSeek приходятся на период с понедельника по пятницу с 1:00 до 4:00 утра и с 6:00 до 10:00 утра по всемирному координированному времени (UTC). Для Германии это, как правило, соответствует временным интервалам раннего утра и позднего утра/полудня в октябре, в зависимости от того, лето это или зима. Выходные и китайские праздники считаются непиковыми часами. Такая структура ценообразования поощряет гибкую пакетную обработку и ставит в невыгодное положение приложения с постоянным трафиком в режиме реального времени. Таким образом, европейский отдел обслуживания клиентов, работающий преимущественно в рабочее время в Германии, может генерировать значительную часть своего трафика в более дорогие временные интервалы. И наоборот, ночной запуск обработки документов может быть стабильно запланирован по цене вдвое ниже стандартной.

OpenAI устраняет эту неопределенность, зависящую от времени суток, в своей стандартной ценовой политике. Кроме того, существуют режимы Flex и Batch, каждый из которых стоит примерно половину стандартной цены. Для асинхронных задач Luna теоретически может стоить 0,05 доллара за миллион входных токенов и 0,25 доллара за миллион выходных токенов. И наоборот, ускоренный режим стоит примерно вдвое дороже стандартной цены. Региональная обработка также может повлечь за собой дополнительную плату. Таким образом, кажущееся простым сравнение моделей на самом деле является сравнением цен, метода развертывания, региона, временного окна и рабочей нагрузки.

Почему снижение цен осталось практически незаметным?

То, что изменение цен не привлекло особого внимания общественности, не так уж удивительно, как кажется на первый взгляд. Рынки реагируют не только на цифры, но и на укоренившиеся стереотипы. DeepSeek стал синонимом радикально доступного ИИ, в то время как OpenAI воспринимается как поставщик премиум-класса. Такие ментальные якоря меняются медленнее, чем прайс-листы. Поэтому новый тариф часто интегрируется в существующее мировоззрение, а не бросает ему вызов.

К этому добавляется скорость развития рынка моделей. GPT-6 Luna появилась в условиях, когда новые модели, варианты, уровни осмысления, контекстные границы и варианты развертывания меняются практически ежедневно. Вскоре после этого DeepSeek обновила Flash-память V4.1 до версии 1017, не изменив цену. Общественное обсуждение сосредоточилось на бенчмарках, возможностях программирования и скорости. Более стратегически важный факт, что закрытая модель OpenAI внезапно была вытеснена китайской открытой моделью по базовым тарифам, затерялся среди номеров версий и результатов тестов.

Способ представления цен также усложняет сравнение. DeepSeek сообщает о пиковых и непиковых периодах, а также о крайне низких ценах на попадание в кэш. OpenAI различает стандартные, гибкие, пакетные, быстрые, региональные и длительные контексты. Брокерские платформы, в свою очередь, отображают свои собственные цены, которые зависят от специальных предложений, использования оборудования и маршрутизации. В зависимости от того, учитывается ли при сравнении прямой поставщик, маршрутизатор, самый дешевый сторонний поставщик или фактические средние цены, вырисовывается разная картина. Например, DeepSeek может казаться дешевле при использовании внешнего поставщика, даже если официальный прямой API дороже. Поэтому для надежного сравнения необходимо сначала точно определить, что именно сравнивается.

В конечном итоге, цена за токен для многих пользователей является абстрактной величиной. Разница в пять сотых доллара США за миллион введенных токенов кажется незначительной. Однако при миллиардах или триллионах токенов это становится существенным фактором затрат. В то же время, даже небольшие различия в сроках выпуска могут с лихвой компенсировать разницу в цене. Такое сочетание, казалось бы, ничтожно малых цен за единицу и масштабируемых объемов препятствует легкому освещению в СМИ.

Расчет, лежащий в основе эффекта неожиданности

Базовая формула проста: стоимость запроса рассчитывается путем умножения количества новых входных токенов на цену входного запроса, добавления кэшированных токенов по цене кэша и сгенерированных токенов по цене выходного запроса. При наличии одного миллиона новых входных токенов и 200 000 выходных токенов стоимость GPT-6 Luna составляет 0,20 доллара США по стандартному тарифу. Стоимость DeepSeek V4.1 Flash составляет 0,27 доллара США в непиковые часы и 0,54 доллара США в пиковые часы. В этом примере Luna примерно на 25,9 процента дешевле, чем тариф DeepSeek в непиковые часы, и примерно на 63 процента дешевле, чем тариф в пиковые часы.

Типичная операция, ориентированная на документ, с одним миллионом новых входных токенов, одним миллионом токенов кэша и 100 000 выходных токенов стоит 0,16 доллара на Luna. DeepSeek взимает 0,213 доллара вне часов пик. Таким образом, Luna примерно на 24,9 процента дешевле. В часы пик плата DeepSeek возрастает до 0,426 доллара. Хотя DeepSeek считывает данные из кэша гораздо дешевле, одного миллиона кэшированных токенов в этом примере недостаточно, чтобы компенсировать более высокие цены на новые входные и выходные данные.

Ситуация меняется для приложений, интенсивно использующих кэш. Если обрабатывается всего 100 000 новых входных токенов и 100 000 выходных токенов, но при этом из кэша одновременно считывается десять миллионов токенов, стоимость Luna составляет около 0,16 доллара. DeepSeek обходится примерно в 0,105 доллара вне часов пик. В этом случае DeepSeek примерно на 34 процента дешевле. Однако в часы пик та же операция DeepSeek стоит около 0,21 доллара, поэтому Luna снова оказывается в выигрыше. Этот пример показывает, насколько сильно взаимодействуют цена DeepSeek, зависящая от времени, и преимущество кэширования.

Математически, пороговое значение вне часов пиковой нагрузки находится там, где количество токенов кэша достигает примерно 7,14 раз больше количества новых входных токенов плюс 14,29 раз больше количества выходных токенов. Ниже этого порога Luna дешевле; выше него преимущество получает DeepSeek. В часы пиковой нагрузки DeepSeek эта граница резко меняется: тогда количество токенов кэша должно превысить примерно 50 раз больше количества новых входных токенов плюс 175 раз больше количества выходных токенов, прежде чем DeepSeek станет дешевле. Таким образом, для большинства распространенных задач чата, аналитики, извлечения данных и программирования Luna остается более выгодным вариантом при текущей цене API.

Кэш — это самое мощное оружие DeepSeek

Наиболее важным контраргументом к стратегии Luna является кэширование. DeepSeek взимает всего 0,003 доллара за миллион токенов кэша вне часов пик. Luna стоит 0,01 доллара. Таким образом, DeepSeek на 70 процентов дешевле; напротив, цена чтения из кэша у Luna более чем в три раза выше. Даже в часы пик DeepSeek кэш стоит всего 0,006 доллара, оставаясь на 40 процентов дешевле, чем у Luna.

Эта разница существенна для приложений с длинными, в основном статичными системными инструкциями, обширными каталогами продукции, повторяющимися юридическими документами или постоянным программным кодом. Когда один и тот же контекст используется сотни или тысячи раз, стоимость кэширования может стать важнее, чем стоимость новых входных данных. Поэтому компания, которая сочетает стабильную базу знаний с множеством коротких пользовательских запросов, имеет иной профиль затрат, чем поисковый агент, который обрабатывает новые веб-страницы, файлы и результаты работы инструментов при каждом запуске.

Однако кэширование не является автоматически доступным скидочным вариантом для всех входных данных. Контекст должен быть технически кэшируемым, повторяться в достаточно идентичной форме и повторно использоваться в соответствующей логике хранения. Динамически формируемые запросы, часто изменяющиеся документы или персонализированные контексты снижают коэффициент попадания в кэш. Кроме того, высокий коэффициент кэширования сам по себе не гарантирует успеха бизнеса. Он должен сочетаться с корректными ответами, низкой задержкой и надежным приложением. Дешевый кэш, предоставляющий устаревшую или неправильно структурированную информацию, экономит токены, но одновременно генерирует дополнительные затраты.

Для экономической оценки, следовательно, решающим фактором является не опубликованная цена кэша, а фактический измеренный коэффициент попадания в кэш для каждого приложения. Компаниям следует отдельно отслеживать новые входные данные, чтение из кэша, запись в кэш и выходные данные. Только тогда станет ясно, преобразуется ли теоретическое преимущество DeepSeek в практические выгоды. Без этого измерения утверждение о том, что модель дешевле из-за меньшего объема кэша, остается таким же неполным, как и общее упоминание более низких стандартных коэффициентов Luna.

Длинные контексты снова меняют результат

OpenAI устанавливает значительный лимит для GPT-6 Luna — более 272 000 входных токенов на запрос. Превышение этого лимита удваивает стоимость входных и кэшированных токенов для всего запроса; стоимость выходных токенов увеличивается на 50%. В стандартном режиме это приводит к стоимости 0,20 доллара за миллион новых входных токенов, 0,02 доллара за попадание в кэш и 0,75 доллара за выходные токены. Региональные надбавки или ускоренная обработка могут дополнительно повлиять на эти затраты.

Это означает, что Luna теряет своё прямое ценовое преимущество перед DeepSeek для очень длинных отдельных запросов вне часов пик. Запрос с одним миллионом новых входных токенов и 100 000 выходных токенов стоит примерно 0,275 доллара США с Luna, согласно тарифу для длинных контекстов. DeepSeek взимает около 0,21 доллара США в непиковые часы. В этом сценарии DeepSeek примерно на 24 процента дешевле. Однако в часы пик DeepSeek, стоимость которого составляет около 0,42 доллара США, значительно дороже, чем Luna.

Это ограничение актуально для обширных кодовых баз, больших архивов контрактов, научных коллекций и длительных сессий агентов. Оно также иллюстрирует, почему простое сравнение цен за миллион токенов без знания размера отдельного запроса может ввести в заблуждение. Один миллион токенов, распределенных по тысяче коротких запросов, оцениваются на Luna иначе, чем такое же количество в одном очень длинном запросе. Поэтому для финансового планирования важно знать не только ежемесячный объем токенов, но и распределение длин контекстов.

Технически, продуманная архитектура может частично избежать этой дополнительной платы. Вместо загрузки всего набора данных с каждым запросом, контент можно предварительно просмотреть, переупорядочить и ограничить релевантными разделами. Однако это влечет за собой дополнительные затраты на встраивание, векторный поиск, ранжирование, передачу данных и координацию. Поэтому наиболее экономически выгодным решением является не обязательно модель с самым большим контекстным окном, а скорее архитектура, которая требует как можно меньше дорогостоящего контекста для получения надежного ответа.

Более низкая цена за токен не означает более низкую цену за результат

Цена за миллион токенов — это лишь первый аспект экономики. Ключевым моментом является то, сколько токенов требуется модели для успешного выполнения задачи. Модель может быть дешевле в пересчете на токен, но при этом нести более высокие затраты на решенную задачу, если она предоставляет более подробные ответы, генерирует больше мыслительных процессов, чаще обращается к инструментам или чаще повторяет задачи. И наоборот, более дорогая модель может быть более экономичной, если она получает правильный результат напрямую с помощью короткого ответа.

Текущее сравнение выявляет интересное противоречие. Независимые измерения показывают, что DeepSeek V4.1 Flash немного превосходит GPT-6 Luna при максимальной когнитивной нагрузке. В комбинированном индексе интеллекта DeepSeek набирает примерно 39 баллов, Luna — около 38. Разница достаточно мала, чтобы не интерпретировать её как общее превосходство во всех задачах. В отдельных категориях, особенно в задачах, связанных с агентами и программированием, DeepSeek может быть значительно сильнее. В других тестах или при более низких когнитивных нагрузках картина меняется.

При стандартизированном сочетании кэша, новых входных и выходных данных эффективная цена Luna была определена примерно как 0,08 доллара за миллион взвешенных токенов, в то время как высокоуровневое мышление DeepSeek дало около 0,18 доллара. Это демонстрирует преимущество Luna при данных предположениях. Однако уровни мышления не являются идентичными продуктами. Сравнение низкоуровневого мышления Luna и максимального уровня мышления DeepSeek не дает ответа на значимый вопрос о закупках. Модели должны сравниваться на уровне качества, достаточном для конкретного процесса.

Таким образом, правильным показателем является стоимость за принятый результат. Для программиста это может быть цена за успешно исправленную ошибку; для анализа документов — цена за правильно извлеченную запись данных; а для службы поддержки клиентов — цена за случай, решенный без привлечения человека. Только с учетом частоты ошибок, повторений, потребления токенов и усилий по проверке можно сделать надежное заключение о фактической экономической эффективности.

Практически внутреннее решение: как Xpert.Digital устраняет операционные пробелы в B2B-маркетинге и продажах – Умный бизнес, основанный на контенте - Изображение: Xpert.Digital

Xpert.Digital — это ориентированный на данные B2B-индустрионный центр, возглавляемый Konrad Wolfenstein . Компания выступает в качестве внешнего, частично внутреннего решения для отраслевых партнеров, устраняя операционные пробелы в маркетинге, контенте и продажах — без необходимости привлечения дополнительных ресурсов со стороны клиента.

Более подробная информация здесь:

• Практически внутреннее решение: как Xpert.Digital устраняет операционные пробелы в B2B-маркетинге и продажах – Smart Content-Driven Business

Скорость сама по себе является фактором производства

DeepSeek обладает значительным преимуществом в скорости. В независимых измерениях V4.1 Flash генерировал примерно от 217 до 231 токенов в секунду при высокой интенсивности обработки информации, в то время как GPT-6 Luna достигал около 128 токенов в секунду при максимальной интенсивности обработки информации. Еще более поразительным является время до получения первого токена. В некоторых измерениях DeepSeek показывал около одной секунды, в то время как Luna значительно дольше при максимальной интенсивности обработки информации. Такие значения варьируются в зависимости от производителя, нагрузки, подсказки, региона и конфигурации теста, но величина указывает на реальную разницу.

Для интерактивных приложений скорость — это не просто вопрос удобства. Более длительное время ожидания снижает процент завершения, увеличивает количество отказов и ограничивает число задач, которые человек может выполнить с помощью ИИ. В процессе программирования быстрая обратная связь позволяет увеличить количество итераций в час. В голосовом помощнике время до первого звукового результата определяет, будет ли система работать естественно или медленно. Поэтому модель с более низкой стоимостью токена может оказаться более затратной с точки зрения бизнеса, если она задействует рабочую силу или ухудшает качество обслуживания клиентов.

Для асинхронных процессов приоритеты меняются местами. Ночная классификация документов, пакетная обработка описаний товаров или очистка данных, не критичная ко времени, не требуют ответа в течение секунды. В таких случаях более доступные тарифные планы Luna Flex или Batch могут предложить большие преимущества, чем преимущество DeepSeek в скорости. Таким образом, значение задержки зависит от процесса. Те, кто не переводит это в денежный эквивалент, просто сравнивают технические характеристики.

Поэтому полный анализ затрат должен включать не только комиссию за API, но и задержку, пропускную способность, ограничения на параллелизм и риски сбоев. DeepSeek устанавливает высокий лимит прямого параллелизма для Flash. OpenAI предлагает различные режимы обработки, каждый со своими затратами и характеристиками производительности. Для крупных пользователей гарантированная пропускная способность может быть важнее, чем разница в несколько десятых доллара за миллион токенов.

Две архитектуры, две бизнес-модели

DeepSeek V4.1 Flash — это большая модель, построенная на основе смешанной выборки экспертов, с приблизительно 552 миллиардами параметров. Однако на каждом этапе обработки активируется лишь часть сети. Архитектура разделяет обработку входных и выходных данных и работает со значительно меньшим количеством активных параметров, чем можно было бы предположить, исходя из общего размера модели. Такой подход объясняет, как очень большая модель может сочетать высокую производительность со сравнительно низкими затратами на вывод и высокой скоростью.

В отличие от них, GPT-6 Luna — это закрытая модель. OpenAI не публикует полные веса или все архитектурные детали. Поэтому экономическая выгода для клиентов возникает исключительно за счет предоставляемой услуги, а не за счет их собственного развертывания. OpenAI контролирует модель, программное обеспечение для вывода результатов, планирование мощностей, интеграцию продуктов и значительную часть спроса. Такой вертикальный контроль позволяет устанавливать агрессивные цены, но также сильнее привязывает клиента к платформе.

Разница меняет значение слова «цена». В случае с Luna «цена» в основном относится к оплате API. В случае с DeepSeek «цена» может относиться к прямому API, стороннему поставщику или общей стоимости работы сервиса. Поскольку весовые коэффициенты V4.1 Flash доступны под разрешительной лицензией MIT, компании и центры обработки данных могут самостоятельно размещать, модифицировать и интегрировать модель в суверенные инфраструктуры. Следовательно, указанный API DeepSeek — не единственная экономически жизнеспособная форма модели.

Однако самообслуживание не бесплатно. Необходимо учитывать оборудование, электроэнергию, охлаждение, хранение данных, сеть, резервную емкость, мониторинг, обновления и специализированный персонал. Очень крупная модель обеспечивает привлекательную себестоимость единицы продукции только при высокой и стабильной загрузке. При нерегулярном спросе API, основанный на использовании, часто оказывается более экономически выгодным, поскольку провайдер распределяет ресурсы инфраструктуры между многими клиентами. Открытые веса DeepSeek предлагают стратегическое решение; однако они не гарантируют более низкую общую цену.

Атака OpenAI на сегмент недорогих товаров

Ценообразование Luna — это не просто техническая сноска, а стратегический шаг. OpenAI снизила входную цену по сравнению с GPT-5.6 Luna с 0,20 до 0,10 доллара, а выходную — с 1,20 до 0,50 доллара. Это позиционирует Luna не просто как более компактный вариант в премиальном портфеле, а как модель массового рынка для больших объемов. Компания нацелена именно на тот рынок, где традиционно наиболее сильные экономические позиции занимали поставщики с открытым исходным кодом и китайские разработчики.

Подобная ценовая стратегия может иметь несколько причин. Достижения в архитектуре моделей, квантовании, кэшировании, управлении памятью и использовании ресурсов снижают реальные предельные издержки. Большая внутренняя база спроса повышает эффективность использования серверов. Долгосрочная вычислительная мощность может обеспечить снижение средних издержек. В то же время поставщик может сознательно отказаться от прибыли, чтобы обеспечить раннее внедрение своего интерфейса разработчиками, агентскими платформами и корпоративными процессами.

Для OpenAI Luna также служит инструментом внутренней ценовой дифференциации. Модель с низкой стоимостью обрабатывает стандартизированные задачи с большим объемом данных, в то время как более мощные варианты привлекают больше клиентов, готовых платить. Клиенты остаются в рамках одной экосистемы и могут переключаться между уровнями моделей по запросу. Это не только увеличивает общий объем данных Luna, но и потенциал для расширения использования более дорогих моделей, инструментов и корпоративных функций. Низкая цена токена служит точкой входа в более широкий платформенный бизнес.

Это развитие событий оказывает давление на DeepSeek, несмотря на то, что его цены остаются исключительно низкими. Конкуренция смещается от вопроса о том, какой поставщик предлагает самые низкие цены, к вопросу о том, какой поставщик обеспечивает наименьшую стоимость результата при заданном уровне качества. Таким образом, ценовое лидерство становится более краткосрочным, зависящим от контекста и его сложнее достичь посредством эффективной коммуникации.

Ответ DeepSeek кроется не только в прайс-листе

DeepSeek ни в коем случае не теряет в цене из-за более низкой стандартной цены Luna. Версия 4.1 Flash предлагает сочетание высокого интеллекта, очень высокой скорости вывода, большого контекстного окна, многомодальных возможностей и открытых весов. Для организаций, которые отдают приоритет техническому контролю, настраиваемости или суверенитету данных, это сочетание может быть важнее, чем самая низкая цена прямого API.

Лицензия MIT разрешает коммерческое использование, модификацию и распространение с относительно небольшими ограничениями. Операторы центров обработки данных могут разрабатывать собственные решения на её основе. Компании могут эксплуатировать или эксплуатировали контролируемый экземпляр в желаемой юрисдикции. Правительства и регулируемые отрасли получают возможность организационного разделения модели и инфраструктуры. Хотя Luna предлагает региональные и европейские варианты обработки данных, она остаётся внешним, закрытым сервисом.

DeepSeek также может конкурировать за счет ценообразования через третьих лиц. Различные платформы для выполнения инференции временно предлагают модель по цене ниже официальной. Такие предложения могут быть результатом более эффективного оборудования, оптимизированного использования, специальных условий или временных скидок. Для покупателей это усиливает конкурентное давление, но также и сложность. Самый дешевый посредник не обязательно является самым надежным партнером с точки зрения доступности, конфиденциальности данных, версии модели и поддержки.

Кроме того, функции поиска и извлечения информации оплачиваются отдельно. DeepSeek взимает 0,75 доллара за каждую тысячу успешных поисков или извлечений. Эти затраты не следует путать со стоимостью модели. В OpenAI вызовы инструментов также могут влечь за собой собственные сборы. Таким образом, агентные системы не только потребляют токены, но и генерируют цепочку выполнения моделей, поисков, обращений к файлам и повторений. Конкурентоспособность DeepSeek все больше зависит от этой общей цепочки, а не от одной ценовой линии.

Что говорит разворот цен о рынке искусственного интеллекта

Наиболее важный экономический вывод заключается в том, что вычислительные ресурсы все чаще становятся товаром массового потребления. Технологический прогресс, специализированные чипы, более эффективное использование ресурсов и жесткая конкуренция приводят к снижению стоимости единицы продукции. Исторически сложилось так, что стоимость при заданном уровне производительности снижалась на порядки за короткий период времени. GPT-6 Luna и DeepSeek V4.1 Flash продолжают эту тенденцию и расширяют границы возможностей автоматизации.

Однако падение цен за единицу товара не обязательно означает снижение общих затрат. Когда цена за токен падает, компании внедряют в свои приложения более длинные контексты, больше шагов агента и более широкую базу пользователей. Процесс, который ранее генерировал ответ модели, теперь может планировать, искать, вызывать несколько инструментов, анализировать промежуточные результаты и корректировать ответ. В результате количество токенов на транзакцию может расти быстрее, чем падает их цена. Эта закономерность является классическим эффектом отскока: эффективность делает использование дешевле и, следовательно, стимулирует дополнительный спрос.

Для поставщиков услуг назревает гонка за экономию за счет масштаба. Низкие цены привлекают объемы, объемы повышают эффективность использования, высокая эффективность использования снижает удельные издержки и позволяет еще больше снижать цены. Крупные платформы имеют преимущества, поскольку они могут агрегировать спрос и распределять инфраструктуру между множеством продуктов. Модели с открытыми весами выступают в качестве противовеса, поскольку они переносят конкуренцию на уровень поставщиков услуг по выводу данных. Не только сама модель, но и оператор оборудования могут конкурировать за клиентов.

В долгосрочной перспективе цена чистого токена, вероятно, потеряет стратегическое значение. Модели станут более взаимозаменяемыми, в то время как доступ к данным, интеграция, безопасность, отказоустойчивость, наблюдаемость и качество, специфичное для конкретной области, приобретут большее значение. Цена останется видимой и легко сопоставимой, но приоритет будет отдаваться инструментам, функциям платформы и отраслевым решениям. Таким образом, Luna и DeepSeek — это не просто две модели, а два пути на один и тот же рынок промышленного искусственного интеллекта.

Новая логика закупок для компаний

Компаниям не следует автоматически объявлять OpenAI или DeepSeek стандартом. Более разумным будет использование надежного набора тестов, моделирующих реальные задачи. Это включает в себя сбор данных о типичных запросах, длине контекста, размерах кэша, длине выходных данных, требованиях к задержке и критериях качества. Затем обе модели запускаются на одном и том же наборе данных с использованием сопоставимых методов и идентичных инструментов. Оценка фокусируется не только на правильных ответах, но и на затратах, продолжительности, повторениях и усилиях, необходимых для проверки человеком.

Разделение рабочих нагрузок особенно важно. Короткие пакетные запросы, длинные документы, программные агенты и интерактивные помощники имеют разные функции стоимости. Luna может быть экономически более выгодной для коротких и средних по длине контекстов, а также для асинхронной пакетной обработки. DeepSeek может быть выгоден для очень длительных запросов в режиме ожидания, процессов с чрезвычайно высокой нагрузкой на кэш, низкой задержки или самообеспечения ресурсами. Поэтому единая глобальная модель часто приводит к нерациональному расходованию средств или снижению качества.

Современная архитектура использует маршрутизацию. Простые задачи назначаются самому дешевому и достаточно хорошему варианту. Сложные случаи передаются более мощной модели. В случае таймаутов или проблем с пропускной способностью управление переходит к резервному провайдеру. Для обработки конфиденциальных данных можно использовать собственный экземпляр DeepSeek, а для общих операций с большими объемами данных — Luna. Такая многомодельная стратегия снижает зависимости и делает колебания цен управляемыми.

В то же время, при закупках необходимо уделять внимание стабильности версий. Название модели может быть перенаправлено на новый снимок без изменения имени API. Это улучшает функциональность, но может нарушить воспроизводимые процессы. Поэтому контракты должны охватывать характеристики производительности, обработку данных, доступность, уведомления об изменениях и варианты выхода. Самый дешевый токен становится бесполезным, если незаметное изменение модели дестабилизирует регулируемый процесс.

От цены токена до полного учета себестоимости единицы продукции

Профессиональный учет затрат на ИИ начинается на уровне процесса. Для каждой функции измеряются новые входные токены, токены кэша, выходные токены, вызовы инструментов и повторения. Также учитываются инфраструктура, передача данных, хранение, наблюдаемость и контроль качества со стороны человека. Результатом является не цена за миллион токенов, а цена за счет-фактуру, обращение к клиенту, изменение кода или оцененный документ.

Далее следует оценка затрат, связанных с ошибками. Неправильное описание продукта наносит иной ущерб, чем ошибочное решение о предоставлении кредита. Чем выше сопутствующие затраты, тем менее целесообразно оптимизировать процесс, ориентируясь исключительно на самый дешевый тариф. Модель, обрабатывающая транзакцию за долю цента дешевле, может свести на нет все преимущества из-за несколько более высокого уровня ошибок. Следовательно, качество должно быть преобразовано в ключевой экономический показатель.

Задержка также имеет денежную ценность. Для внутренних инструментов время ожидания может быть связано с затратами на персонал и объемом транзакций. Для внешних приложений в качестве приблизительных показателей могут служить процент отказов, выручка и удовлетворенность клиентов. Это позволяет понять, когда скорость DeepSeek оправдывает более высокую цену токена, а когда низкая цена Luna явно превосходит конкурентов для асинхронных задач.

Наконец, необходимо учитывать риск привязки к конкретному поставщику. Закрытая модель может обеспечить низкие операционные издержки, но высокие издержки на смену поставщика. Открытая модель может повлечь за собой более высокие операционные расходы, но предлагает стратегические альтернативы. Таким образом, выбор между Luna и DeepSeek — это также решение, касающееся гибкости. Экономическая ценность этой гибкости обычно становится очевидной только при изменении цен, появлении нормативных требований или возникновении узких мест в производственных мощностях.

Почему простые списки победителей вводят в заблуждение

Рейтинг, основанный на одной цене, больше не отражает рынок должным образом. GPT-6 Luna дешевле для обычного, не слишком длительного трафика в реальном времени. DeepSeek V4.1 Flash дешевле для чтения из кэша. Luna предлагает особенно недорогие асинхронные режимы. DeepSeek работает в зависимости от времени суток и может быть размещен на собственном сервере. DeepSeek быстрее по результатам независимых измерений и немного эффективнее при максимальной интенсивности обработки. Luna по-прежнему может обеспечить значительно меньшие затраты на задачу. Каждое из этих утверждений одновременно верно.

Выбор также зависит от источника. Прямые цены от поставщика обеспечивают прозрачность и четкую подотчетность. Маршрутизаторы могут быть дешевле и минимизировать сбои, но добавляют еще один уровень контрактов и данных. Самостоятельное управление обеспечивает контроль, но требует капитала, персонала и мощностей. Поэтому для компании с несколькими миллионами токенов в месяц оптимальное решение будет отличаться от решения глобального оператора платформы с миллиардами ежедневных запросов.

Контрольные показатели не следует рассматривать изолированно. Небольшие различия в результатах могут находиться в пределах погрешности или зависеть от характера выполняемых задач. Более сложные задачи требуют больше времени и ресурсов. Модель, которая показывает хорошие результаты в среднем, может демонстрировать худшие результаты в конкретной области. Поэтому выбор модели на основе публичных рейтингов не заменяет внутреннее тестирование.

Утверждение о том, что Luna дешевле DeepSeek и никто этого не заметил, полезно как тревожный сигнал, но слишком упрощено как универсальное суждение. Оно заставляет рынок пересмотреть старые предположения. Именно в этом и заключается его ценность. Вчерашний самый дешевый провайдер может завтра стать дороже, и предполагаемая премиальная модель может превратиться в фактор, снижающий затраты.

Настоящим победителем становится взаимозаменяемый набор инструментов искусственного интеллекта

С экономической точки зрения, ни одну из моделей нельзя объявлять безусловным лидером. Победу одержит организация, которая сможет легко обмениваться, измерять и комбинировать модели. Цены и производительность меняются слишком быстро, чтобы навсегда привязать архитектуру к сегодняшнему рейтингу. Нейтральный слой моделей, чистое логирование и автоматизированные тесты качества делают конкуренцию между поставщиками выгодной для покупателя.

Для стандартного трафика на сегодняшний день GPT-6 Luna предлагает существенное ценовое преимущество. Его базовые ставки ниже, чем у DeepSeek V4.1 Flash, даже при использовании самого дешевого прямого временного слота DeepSeek. Однако для длительного трафика в одном контексте, экстремального использования кэша, минимальной задержки, открытых весов и надежной работы DeepSeek остается весьма привлекательным. Те, кто учитывает только ценовой диапазон, упускают из виду эти контрфакторы.

Однако стратегическая перспектива ясна: OpenAI разрушила представление о неизбежно дорогой западной модели. DeepSeek больше не может побеждать, полагаясь исключительно на свою репутацию лидера по цене. Конкуренция смещается в сторону производительности на доллар, скорости, операционной свободы и всесторонней интеграции. Это усиливает давление на всех поставщиков и снижает затраты на выход на рынок для новых приложений ИИ.

В конечном итоге, удивительная новость заключается не в том, что Luna на несколько сотых доллара дешевле. Ключевой момент — это то, как быстро может рухнуть, казалось бы, стабильная ценовая структура. Компании, которые пересматривают свой выбор моделей только раз в год, скорее всего, переплачивают на этом рынке. Компании, которые постоянно измеряют качество, задержку и стоимость, превращают ценовую войну между OpenAI и DeepSeek в собственное конкурентное преимущество.

От прозрачности к доверию: ваш масштабируемый путь с Xpert.Digital - Изображение: Xpert.Digital

В промышленном B2B-секторе устойчивые деловые отношения редко возникают за одну ночь. Они развиваются шаг за шагом – благодаря видимости, профессиональной значимости, регулярным контактам и растущему доверию. Четырехэтапная модель Xpert.Digital решает именно эту задачу: она предлагает структурированный путь, начинающийся с управляемой отправной точки и, при необходимости, перерастающий в более глубокое сотрудничество в развитии бизнеса.

Вместо громких маркетинговых обещаний, эта модель ставит во главу угла взаимоотношения. Компании начинают с четко определенных, легко поддающихся расчету показателей, а затем, основываясь на собственном опыте, решают, насколько они хотят расширить сотрудничество. Ключевым фактором этого беспрепятственного процесса построения доверия является то, что платформа полностью избегает навязчивой рекламы, поэтому редакционный фокус остается исключительно на экспертизе компаний.

Более подробная информация здесь:

• От прозрачности к доверию: ваш масштабируемый путь с Xpert.Digital

☑️ Язык ведения нашего бизнеса — английский или немецкий

☑️ НОВИНКА: Переписка на вашем родном языке!

Konrad Wolfenstein

Я и моя команда будем рады быть вашими личными консультантами.

Вы можете связаться со мной, заполнив контактную форму здесь [email protected]:или просто позвонив по номеру +49 7348 4088 965. Мой адрес электронной почты

Я с нетерпением жду начала нашего совместного проекта.

☑️ Поддержка малых и средних предприятий в области стратегии, консалтинга, планирования и реализации проектов

☑️ Разработка или корректировка цифровой стратегии и цифровизации

☑️ Расширение и оптимизация международных процессов продаж

☑️ Глобальные и цифровые торговые платформы B2B

☑️ Развитие бизнеса / Маркетинг / PR / Выставки от компании Pioneer